WHPM-Apriori网页超链接挖掘的Apriori改进算法.pdfVIP

维普资讯 第33卷第3期 西南民族大学学报 ·自然科学版 JournalofSouthwestUniversityforNationalitiesN·aturalScienceEdition 文章编号：1003．2843(2007)03-0644．04 WHPM．Apriori：网页超链接挖掘的Apriori改进算法 姜王月 ，一，井福荣 ，谢青 ，李建阳 ，杨玉涵 (1．西南民族大学计算机科学与技术学院，成都 6l004l；2．四川大学计算机学院，成都 6l0064； 3．江西理工大学信息工程学院，赣州 34l000；4．重庆邮电学院经济管理学院，重庆 400065) 摘 要：网页链接关系的设计影响到用户的访问效率，通过 日志挖掘发现网页间的关联关系，使 网站设计更趋合理，便 于用户访问．为了提取页面间的关系，日志数据预处理后，利用Apriori算法发现频繁集，找到页面间的关联规则．网站 结构主要 由网页和网页间的超链接组成，针对网页超链接结构的特点：一条超链接只能建立在两个网页上．发现频繁集 只需找出所有 2．项集即可．提出网页超链接挖掘的 Apriori改进算法(wPHM．Apriori)．实验表明，该算法有效地降低 Apri0ri的时间复杂度． 关键字：数据挖掘 关联规则；网站结构 中图分类号：TP3l1．13 文献标识码：A Web站点内的文档超链接体现了文档之问的逻辑关系，通过数据挖掘技术分析 Web站点的日志信息来得到 人ff丁{=}IJ览Web站点的结构和行为习惯，从而为Web站点的结构设计提供重要的借鉴依据．网站结构的设计直接 影响网站的访问效率．设计Web站点的时候我们不得不考虑到Web站点的页面结构布局．为了提高Web站点 的资源利用率，更好地有利于人们对信息的获取，需要设计良好的网站结构，从而引导用户更有效地使用网络． 1 基本概念 定义 1：页面访问事务数据库D={I】，t2，·一，tk，…，tn)，tk= i2，… 一·，i)，I={ihi2，…，im)是D中全体项 目组 成的集合，I的任何子集 x称为中的项 目集 (Itemset)，IxI=k称集合x为k项 目集 (k-ltemset)，tk(k=l，2，．．．，n) 称为事务 (Transactions)，im(m=1，2，…，p)称为项 目(Item)． 定义 2：设 x I，项 目集在数据集 D上的支持度(support)是包含 x 的事务在 D 中所占的百分比，即 support(X)=ll{x∈DIx ~}II／IIDII，其中lDl是数据集 D 的事务数，若 support(X)不小于用户指定的最小支持度 (minsupport)，则称x为频繁项目集，简称频集(或大项目集)，否则称x为非频繁项 目集，简称非频集(小项目集)． 定义3：若x、Y为项 目集，且xnY=①，蕴涵式x-Y称为关联规则，x、Y分别称为关联规则x=Y的前提 和结论．项 目集xuY支持度称为关联规则x_Y的支持度，记作support(X=Y)，support(x=Y)=support(xUY)． 定义4：关联规则x=Y的置信度，conndence(x=Y)=support(xUY)／support(X)． 支持度用于衡量关联规则在整个数据集中的统计重要性，置信度用于衡量关联规则的可信程度．一般地， 只有支持度和置信度均较高的关联规则才可能是用户感兴趣、有用的关联规则． 定义5：若support(x=Y)≥minsupport且confidence(x=Y)≥minconfidence，称关联规则x_Y为强关联规则． 关联规则的发现需要找到频繁集，根据频繁集生成关联规则．当数据项经过关联规则处理后，建立起数据 项之间的关系，则可将数据项问的关系抽象为一个有向图，x和 Y为有向 的顶点．x_Y的关系看作为有向 的有向边，方向从x到Y． 2 网站结构分析与数据预处理 2．1 页面关系分析 收稿 日期：2006．11．13 作者简介：姜明(1978．)，女，西南民族大学汁算机科学与技术学院讲师，四川大学博士生